論文の概要: Partial Disclosure of Private Dependencies in Privacy Preserving Planning

• arxiv url: http://arxiv.org/abs/2102.07185v1
• Date: Sun, 14 Feb 2021 16:10:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 23:01:23.554068
• Title: Partial Disclosure of Private Dependencies in Privacy Preserving Planning
• Title（参考訳）: プライバシー保護計画における個人依存性の一部開示
• Authors: Rotem Lev Lehman (1), Guy Shani (1), Roni Stern (1 and 2) ((1) Software and Information Systems Engineering, Ben Gurion University of the Negev, Be'er Sheva, Israel, (2) Palo Alto Research Center, Palo Alto, CA, USA)
• Abstract要約: 共同プライバシー保護計画では、エージェントのグループが共同で一連の目標を達成するために計画を作成します。 CPPPでの以前の作業は、そのような依存関係の開示を制限しません。 公開依存関係の量を明示的に制限し、エージェントがプライベート依存関係の一部だけを公開できるようにします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In collaborative privacy preserving planning (CPPP), a group of agents jointly creates a plan to achieve a set of goals while preserving each others' privacy. During planning, agents often reveal the private dependencies between their public actions to other agents, that is, which public action facilitates the preconditions of another public action. Previous work in CPPP does not limit the disclosure of such dependencies. In this paper, we explicitly limit the amount of disclosed dependencies, allowing agents to publish only a part of their private dependencies. We investigate different strategies for deciding which dependencies to publish, and how they affect the ability to find solutions. We evaluate the ability of two solvers -- distribute forward search and centralized planning based on a single-agent projection -- to produce plans under this constraint. Experiments over standard CPPP domains show that the proposed dependency-sharing strategies enable generating plans while sharing only a small fraction of all private dependencies.
• Abstract（参考訳）: 共同プライバシー保護計画(CPPP)では、エージェントのグループは、お互いのプライバシーを維持しながら、一連の目標を達成する計画を共同で作成します。 計画中、エージェントはしばしば、公開アクションの間のプライベートな依存関係を他のエージェントに明らかにし、公共アクションは、他の公開アクションの前提条件を促進する。 CPPPでの以前の作業は、そのような依存関係の開示を制限しません。 本稿では、公開依存関係の量を明示的に制限し、エージェントがプライベート依存関係の一部だけを公開できるようにします。 公開する依存関係を決定するためのさまざまな戦略と、ソリューションを見つける能力にどのように影響するかを調査します。 この制約下で計画を作成するために,2つのソルバ(前方探索と単一エージェント投影に基づく集中型計画)の能力を評価する。 標準CPPPドメイン上の実験では、提案された依存関係共有戦略により、すべてのプライベート依存関係のほんの一部しか共有せず、計画を生成することができる。

関連論文リスト

• Differentially Private Reinforcement Learning with Self-Play [18.124829682487558]
  差分プライバシー制約を伴うマルチエージェント強化学習(multi-agent RL)の問題について検討する。 まず,ジョイントDP (JDP) とローカルDP (LDP) の定義を2プレイヤーゼロサム・エピソード・マルコフゲームに拡張する。 我々は、楽観的なナッシュ値とベルンシュタイン型ボーナスの民営化に基づく証明可能なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-04-11T08:42:51Z)
• Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
  非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。 当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
  論文  参考訳（メタデータ） (2024-03-19T17:54:49Z)
• Optimal Private Discrete Distribution Estimation with One-bit Communication [63.413106413939836]
  1ビット通信制約を伴う個別分布推定問題を考える。 1ビット通信制約下での最悪のトレードオフの1次を特徴付ける。 これらの結果は,1ビット通信制約下でのプライバシユーティリティトレードオフの最適依存性を示す。
  論文  参考訳（メタデータ） (2023-10-17T05:21:19Z)
• On Differentially Private Online Predictions [74.01773626153098]
  オンラインプロセスを扱うために,共同微分プライバシーのインタラクティブなバリエーションを導入する。 グループプライバシ、コンポジション、ポストプロセッシングの(適切なバリエーション)を満たすことを実証する。 次に、オンライン分類の基本設定において、インタラクティブな共同プライバシーのコストについて検討する。
  論文  参考訳（メタデータ） (2023-02-27T19:18:01Z)
• Differential Privacy in Cooperative Multiagent Planning [27.194032494266086]
  我々は,到達不能な目的を持つマルコフゲームとして定式化された逐次決定問題について検討する。 エージェントの通信されたシンボル状態軌跡を民営化するために,差分プライバシー機構を適用した。 相関関係の価値を下げることにより、プライバシーに堅牢なポリシーを合成する。
  論文  参考訳（メタデータ） (2023-01-20T21:36:57Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Differentially Private Reinforcement Learning with Linear Function Approximation [3.42658286826597]
  差分プライバシー(DP)制約下における有限水平マルコフ決定過程(MDP)における後悔の最小化について検討する。 本研究の結果は, 線形混合MDPにおける正則化条件の変更による学習の一般的な手順によって得られた。
  論文  参考訳（メタデータ） (2022-01-18T15:25:24Z)
• Privately Publishable Per-instance Privacy [21.775752827149383]
  客観的摂動によるパーソナライズドプライバシの損失を,pDP(Per-instance differential privacy)を用いてプライベートに共有する方法を検討する。 客観的な摂動によって学習したプライベートな経験的リスク最小化器をリリースする際のインスタンスごとのプライバシ損失を解析し、プライバシコストをほとんど必要とせず、個人的かつ正確にPDP損失を公表するための一連の方法を提案する。
  論文  参考訳（メタデータ） (2021-11-03T15:17:29Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)
• Differentially Private Multi-Agent Planning for Logistic-like Problems [70.3758644421664]
  本稿では,ロジスティックな問題に対する強力なプライバシ保護計画手法を提案する。 1) 強いプライバシー、完全性、効率性、2) 通信制約に対処する2つの課題に対処する。 我々の知る限り、マルチエージェントプランニングの分野に差分プライバシーを適用したのは、この論文が初めてである。
  論文  参考訳（メタデータ） (2020-08-16T03:43:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。